Большие данные в большой фарме? Большое дело!

Компании в фармацевтической промышленности всё больше наводняются потоками данных, которые зачастую не используются или недоиспользуются. Однако, если применять аналитику Big Data, компании смогут получить своевременную...

Компании в фармацевтической промышленности всё больше наводняются потоками данных, которые зачастую не используются или недоиспользуются. Однако, если применять аналитику Big Data, компании смогут получить своевременную информацию для принятия более эффективных бизнес-решений.

Аналитика Big Data — простая концепция, сложная реальность

Важные элементы стратегии Big Data аналитики Большой фармы следующие: это организационная структура, талант, технология, управление данными (data management) и операционная ориентация на саму программу big data.

1. Организационная структура

Такие факторы организации компании, как используемые модели финансирования (например, центральной, бизнес-единицы или совместной) и финансовая ориентация (например, центр прибыли или центр затрат) играют роль в выборе правильной структуры для внедрения мощностей аналитики big data.

Как правило, 4 структуры наиболее успешны при внедрении big data:

1. Децентрализованные: бизнес-юниты (БЮ) имеют разные наборы данных, и каждый БЮ принимает свои собственные решения с big data относительно самостоятельно.
2. Децентрализованные с ведущим БЮ: каждый БЮ принимает собственные решения, но один БЮ играет ведущую роль в установлении стандартов.
3. Центр передового опыта (CoE): независимый Центр контролирует программу аналитики big data, а БЮ проводят инициативы под руководством Центра.
4. Централизованные: корпоративный центр берет на себя прямую ответственность за создание и приоретизацию инициатив и их реализацию.

2. Талант

Программы аналитики big data являются ресурсоемкими, и для поддержки таких программ требуются серьезные инвестиции в квалифицированные ресурсы. Следующие профессии представляют собой минимально необходимый комплекс навыков: менеджер программ, менеджер инфраструктуры, архитектор больших данных, управляющий данными, аналитик домена, финансовый аналитик, специалист по данным (data scientist), инженер данных, аналитик данных и аналитик визуализации данных.

3. Технология

В любой фармацевтической компании должны параллельно и непрерывно присутствовать три функции big data: сбор, обработка и презентация данных. В рамках этих функций есть также функции по безопасности, такие как шифрование данных и маскирование, а также управление данными и рабочими потоками.

1. Сбор данных включает в себя не только интеграцию данных из множества источников (что особенно актуально в фарме), разного объема и разной скорости поступления, но и их предварительную обработку (например, измерение качества, нормализации). По этой функции много предложений с открытым исходным кодом, включая Flume, Sqoop, Oracle Data Integrator и SAP BODS.
2. Обработка данных. Способность обрабатывать данные со скоростью их ввода дает явное преимущество, особенно там, где время принятия решений имеет большую ценность. По этой функции есть много платформ, таких как SAP Hana, IBM Netezza, AsterData и Hadoop, а также доступны инструменты глубокого аналитического поиска, такие как R и SAS.
3. Представление данных направлено на то, чтобы заинтересованные пользователи действительно поняли имеющиеся данные, чаще всего с помощью отчетов и панелей мониторинга. Предложения по этой функции включают Tableau, Qlikview, Microsoft BI Platform, Spotfire и Birst.

4. Управление данными

В медицинских и фармацевтических учреждениях существуют жесткие требования к конфиденциальности данных и соблюдению нормативных требований. Управление данными на платформе big data, помимо сбора данных, также требует: создать план управления данными во всей организации, создать стандарты данных и установить права доступа, поддерживать согласованность ссылочных данных, устранять проблемы целостности данных и т.п.

5. Установка и доработка

Стратегия внедрения системы анализа big data развивается по мере развертывания мощностей системы, и включает две фазы «созревания»: фаза Поиска и фаза Улучшения.

1. Фаза Поиска. На ранних стадиях, таких как разведка и пилотирование программы, нужно сфокусироваться на поиске ключевых пользователей и правильных вариантов использования системы. Основная тактика заключается в том, чтобы повысить гибкость операционной деятельности и сильно повысить осведомленность организации (т. е. продемонстрировать возможности и создать активность среди конечных пользователей).
2. Фаза Улучшения. По мере роста спроса на возможности программы начинается фаза Улучшения. На этом этапе важно увеличить эффективность работы (например, увеличить масштабы развертывания программы), поскольку сразу заметен эффект для пользователей.

Кейсы — какие из них брать на вооружение?

Конечная цель использования системы big data — это извлечение ценности для клиентов, деловых партнеров и акционеров для принятия управленческих решений. Для того, чтобы определить варианты использования программы, лучше всего пригласить заинтересованные стороны сообщить идеи о том, как анализ big data поможет в их предметной области.

Каждый из вариантов использования будет дополнительно доработан для понимания основных аспектов: кто владелец процесса, как процесс влияет на остальные, каковы KPI процесса, каковы потребности в данных и каковы преимущества big data в этом процессе для бизнеса. Кроме того, каждый случай использования также должен быть оценен по стоимости для бизнеса и осуществимости исполнения.

Примеры использования Big Data

Для производителей фармацевтических брендов, занимающихся R&D, аналитика big data, обладающая способностью быстро определять ассоциации между большими объемами разнообразных данных, может быть использована в исследованиях и разработках. Предсказательное моделирование также может быть использовано для прогнозирования результатов, связанных с эффективностью молекулы, побочными эффектами и т. д. Использование аналитики big data ускорит процесс создания и разработки лекарств и сократит расходы на них, а также сократит время выхода на рынок новых лекарств.

Для фармацевтических оптовых дистрибьюторов аналитика Big data может использовать большие объемы доступных данных, чтобы лучше понимать клиентов и развивать точную сегментацию клиентов. Более того, аналитика обеспечит понимание индивидуального поведения клиентов, объединяя данные сегментации клиентов наряду с другими внутренними и внешними данными, такими как данные колл-центра, данные опроса клиентов, программ лояльности, данных соцсетей.

Для тех участников в фарме, которые много закупают у поставщиков, нарушения поставок приводят к снижению выполнения заказов клиентов и к потерям продаж. Аналитика big data может использоваться для разработки прогностических моделей для предсказания сбоев в поставках, на основе как внутренних данных (например, заказы на поставку, производительность поставки поставщика, инвентарь, историю продаж, правила замены продуктов и пр.), так и внешних (например, региональные СМИ, прогнозы погоды, нормативные объявления и пр.). Такое проактивное планирование поможет заказывать дополнительные партии у альтернативных поставщиков или заказывать товары-заменители, обеспечивая выполнение заказов и достижения планов по продажам.

Аналитика Big data позволяет использовать данные и получить своевременную информацию для принятия более эффективных бизнес-решений. Все чаще компании в фармацевтической отрасли внедряют программы big data и получают значительные выгоды от ее использования.

По данным: Desay S.S., Peer B. Big Data, Big Pharma — Big Deal? Yes, Really! // Infosys, 2017.